企业虚拟经济生态中的边缘计算：AI应用架构师的技术融合与架构设计

一、引言：虚拟经济与边缘计算的“必然相遇”

2023年，Gartner发布的《Top 10 Strategic Technology Trends》中，“企业虚拟经济生态”（Enterprise Metaverse Ecosystem）被列为未来3-5年最具影响力的技术趋势之一。从数字孪生工厂的实时设备模拟，到虚拟员工（AI Agents）的客户服务，再到虚拟供应链的智能调度，企业正通过虚拟经济生态将物理世界的业务流程、资产和用户体验数字化，重构核心竞争力。

然而，虚拟经济的“实时性”与“沉浸感”需求，给传统云计算架构带来了致命挑战：

• 数字孪生系统需要100ms内处理设备传感器数据，以实现物理设备与虚拟模型的同步；
• 虚拟员工的语音交互需要亚秒级响应，否则用户会感受到明显的“延迟感”；
• 虚拟供应链的物流优化需要实时分析货车位置、路况和货物状态，以调整运输路线。

此时，边缘计算（Edge Computing）成为解决这些问题的关键——它将计算、存储和网络资源部署在靠近数据生成的“边缘节点”（如工厂车间的网关、零售门店的服务器、物流货车的终端），通过低延迟、高带宽、数据本地化的特性，为虚拟经济生态提供“最后一公里”的计算支撑。而AI（人工智能）作为虚拟经济的“大脑”，需要与边缘计算深度融合，才能实现“实时感知-智能决策-快速执行”的闭环。

本文将从虚拟经济生态的核心需求出发，深入探讨边缘计算与AI融合的技术架构设计、关键技术难点及实战案例，为AI应用架构师提供一套可落地的技术方案。

---

二、企业虚拟经济生态的核心组件与计算需求

在讨论技术融合前，我们需要先明确：企业虚拟经济生态到底是什么？它需要什么样的计算能力？

1. 企业虚拟经济生态的核心组件

根据Gartner的定义，企业虚拟经济生态是“物理世界与数字世界的融合系统，通过数字孪生、AI Agents、虚拟交互等技术，实现业务流程的数字化、资产的虚拟化和用户体验的沉浸化”。其核心组件包括：

• 数字孪生（Digital Twin）：物理资产（如工厂设备、桥梁、货车）的虚拟副本，实时同步物理资产的状态，用于模拟、预测和优化。
• 虚拟员工（AI Agents）：具备自主决策能力的AI程序，可替代人类完成重复性任务（如客户服务、数据录入）或复杂决策（如供应链调度）。
• 虚拟供应链（Virtual Supply Chain）：将供应链中的供应商、仓库、物流车辆数字化，通过AI优化库存管理、运输路线和需求预测。
• 虚拟客户交互（Virtual Customer Engagement）：在元宇宙或AR/VR环境中，通过虚拟形象与客户进行实时交互（如虚拟导购、产品演示）。

2. 虚拟经济生态的计算需求

这些组件的运行，对计算架构提出了三大核心要求：

• 低延迟（Low Latency）：数字孪生的同步、虚拟员工的响应、虚拟交互的沉浸感，都需要计算延迟控制在100ms以内（人类对延迟的感知阈值）。
• 数据本地化（Data Localization）：虚拟经济中的数据（如设备传感器数据、客户交互数据）往往包含敏感信息（如工厂生产数据、客户隐私），需要在边缘节点处理，避免传输到云端导致的隐私泄露。
• 高可用性（High Availability）：虚拟经济生态是企业的核心业务系统（如数字孪生工厂的生产监控），需要边缘节点具备分布式部署能力，避免单点故障。

3. 传统云计算的“力不从心”

传统云计算架构（云端集中处理）无法满足这些需求：

• 延迟问题：数据从边缘设备传输到云端（如AWS、阿里云）需要经过多个网络节点，延迟通常在500ms-1s，无法支持实时应用。
• 带宽问题：虚拟经济中的数据量巨大（如工厂设备每秒产生GB级传感器数据），传输到云端会占用大量带宽，增加成本。
• 隐私问题：敏感数据传输到云端，存在被窃取或泄露的风险，不符合《GDPR》《个人信息保护法》等法规要求。

结论：边缘计算是支撑企业虚拟经济生态的“基础设施”，而AI是“大脑”——两者必须深度融合，才能实现虚拟经济的“实时智能”。

---

三、边缘计算与AI融合的核心架构设计

1. 融合架构的分层模型

边缘计算与AI的融合架构，遵循“感知-边缘处理-云端协同-应用输出”的分层逻辑，具体分为以下四层（如图1所示）：

graph TD
    A[感知层：数据采集] --> B[边缘计算层：实时处理与AI推理]
    B --> C[云端层：模型训练与全局管理]
    C --> B[边缘计算层：模型更新]
    B --> D[应用层：虚拟经济应用]
    D --> A[感知层：反馈控制]

图1：边缘计算与AI融合的分层架构

（1）感知层：数据采集

感知层是虚拟经济生态的“眼睛”，负责采集物理世界的数据，包括：

• 设备数据：工厂设备的传感器数据（如温度、压力、转速）、物流车辆的GPS数据、零售门店的摄像头数据；
• 用户数据：虚拟员工的语音交互数据、虚拟客户的行为数据（如AR/VR中的手势、视线）；
• 环境数据：车间的温湿度数据、仓库的库存数据、路况数据。

技术实现：

• 设备端：使用IoT传感器（如西门子S7-1200 PLC、华为NB-IoT传感器）、摄像头（如海康威视智能摄像头）、GPS模块（如UBlox）采集数据；
• 数据传输：通过MQTT（轻量级消息协议）、CoAP（约束应用协议）将数据传输到边缘节点，确保低延迟。

（2）边缘计算层：实时处理与AI推理

边缘计算层是融合架构的“核心”，负责实时数据处理和AI模型推理，满足虚拟经济的低延迟需求。其核心组件包括：

• 边缘节点：部署在工厂车间、零售门店、物流货车的计算设备（如NVIDIA Jetson Nano、华为Atlas 500、工业网关）；
• 边缘计算框架：用于管理边缘节点的资源和应用（如K3s（轻量级Kubernetes）、AWS Greengrass、Azure Sphere）；
• AI推理引擎：运行轻量化AI模型的引擎（如TensorFlow Lite、PyTorch Mobile、ONNX Runtime）；
• 数据预处理模块：对感知层采集的数据进行清洗、归一化、特征提取（如将传感器数据从“原始数值”转换为“故障特征向量”）。

核心功能：

• 实时数据处理：对传感器数据进行实时过滤（如去除异常值）、聚合（如计算每10秒的平均温度），减少传输到云端的数据量；
• AI模型推理：运行轻量化AI模型（如设备故障预测模型、虚拟员工的NLP模型），输出实时决策（如“设备即将故障，需停机检修”“虚拟员工回复用户问题”）；
• 数据本地化存储：将敏感数据（如工厂生产数据）存储在边缘节点，仅将汇总数据（如“今日设备故障次数”）传输到云端。

（3）云端层：模型训练与全局管理

云端层是融合架构的“大脑”，负责AI模型的训练与优化、边缘节点的全局管理和数据存储。其核心组件包括：

• 大数据平台：用于存储和处理边缘节点传输的汇总数据（如Apache Hadoop、Spark、AWS S3）；
• AI训练框架：用于训练复杂AI模型（如TensorFlow、PyTorch、AWS SageMaker）；
• 联邦学习平台：用于边缘节点的协同训练（如FedML、TensorFlow Federated）；
• 边缘管理平台：用于管理边缘节点的生命周期（如部署应用、更新模型、监控状态，如VMware Edge Compute Stack、华为IoT Edge）。

核心功能：

• 模型训练：使用云端的大数据训练复杂AI模型（如基于LSTM的设备故障预测模型、基于Transformer的虚拟员工NLP模型）；
• 模型轻量化：将训练好的模型进行剪枝（Pruning）、量化（Quantization）、知识蒸馏（Knowledge Distillation），生成适合边缘节点运行的轻量化模型；
• 全局管理：通过边缘管理平台监控边缘节点的状态（如CPU使用率、内存占用），动态调整边缘应用的部署（如当某边缘节点负载过高时，将部分应用迁移到其他节点）；
• 数据协同：通过联邦学习，让边缘节点在不共享原始数据的情况下协同训练模型（如多个工厂的边缘节点共同训练设备故障预测模型，提升模型的泛化能力）。

（4）应用层：虚拟经济应用

应用层是融合架构的“输出端”，负责将边缘计算与AI的处理结果，转化为虚拟经济生态的具体应用，包括：

• 数字孪生系统：将边缘节点处理的设备数据同步到虚拟模型，展示设备的实时状态（如温度、压力），并通过AI模型预测故障（如“设备在1小时后可能发生轴承磨损”）；
• 虚拟员工：将边缘节点运行的NLP模型输出的响应，通过虚拟形象（如Meta Human）展示给用户，实现实时交互（如“虚拟导购回答用户的产品问题”）；
• 虚拟供应链：将边缘节点处理的物流数据（如货车位置、路况）输入AI模型，优化运输路线（如“避开拥堵路段，缩短运输时间2小时”）；
• 虚拟客户交互：将边缘节点处理的用户行为数据（如AR/VR中的手势）输入AI模型，调整虚拟形象的动作（如“虚拟导购跟随用户的手势展示产品”）。

2. 融合架构的关键技术难点

边缘计算与AI的融合，并非简单的“将AI模型部署到边缘节点”，而是需要解决四大技术难点：

（1）模型轻量化：让AI模型“适配”边缘设备

边缘设备的资源有限（如NVIDIA Jetson Nano的CPU是4核ARM Cortex-A57，内存是4GB），无法运行复杂的AI模型（如基于Transformer的BERT模型，需要几十GB的内存）。因此，必须对模型进行轻量化处理，在保持模型精度的同时，减少模型的大小和计算量。

常用的模型轻量化技术：

• 剪枝（Pruning）：去除模型中不重要的权重（如绝对值小于阈值的权重），减少模型的参数数量。例如，将BERT模型的权重剪枝50%，模型大小可从400MB减少到200MB，而精度仅下降1%。
• 量化（Quantization）：将模型的浮点型权重（如32位浮点数）转换为整型（如8位整数），减少模型的存储和计算量。例如，将TensorFlow模型量化为8位整数，模型大小可减少75%，推理速度提升2-4倍。
• 知识蒸馏（Knowledge Distillation）：用复杂的“教师模型”（如BERT）训练简单的“学生模型”（如DistilBERT），让学生模型学习教师模型的“知识”（如软化标签）。例如，DistilBERT的大小是BERT的60%，推理速度是BERT的2倍，而精度仅下降2%。

数学公式示例（知识蒸馏）：
知识蒸馏的损失函数由两部分组成：硬标签损失（学生模型预测与真实标签的误差）和软标签损失（学生模型预测与教师模型预测的误差）：
$$L=\alpha L_{hard}(y,{\hat{y}}_s)+(1-\alpha )L_{soft}({\hat{y}}_t,{\hat{y}}_s)$$
其中：

• $y$：真实标签；
• ${\hat{y}}_s$：学生模型的预测；
• ${\hat{y}}_t$：教师模型的预测（软化标签，通过温度参数$T$调整，${\hat{y}}_t=\text{Softmax}(\frac{z_t}{T})$）；
• $\alpha$：硬标签损失的权重（通常取0.1-0.3）；
• $L_{hard}$：交叉熵损失（Cross-Entropy Loss）；
• $L_{soft}$：KL散度损失（Kullback-Leibler Divergence）。

（2）数据协同：边缘与云端的“数据共享”

虚拟经济中的数据分布在多个边缘节点（如多个工厂的设备数据），需要将这些数据协同起来，训练更准确的AI模型。但由于数据隐私法规（如GDPR）的限制，边缘节点无法将原始数据传输到云端。此时，联邦学习（Federated Learning）成为解决这一问题的关键。

联邦学习的核心逻辑：

• 本地训练：每个边缘节点使用本地数据训练模型；
• 模型上传：边缘节点将训练好的模型参数（而非原始数据）上传到云端；
• 全局聚合：云端将多个边缘节点的模型参数进行聚合（如加权平均），生成全局模型；
• 模型下载：云端将全局模型下载到边缘节点，边缘节点用全局模型继续训练本地数据。

数学公式示例（联邦平均算法）：
联邦平均算法（FedAvg）是最常用的联邦学习算法，其全局模型参数的更新公式为：
$${\theta }_{t+1}=\frac{1}{N}\sum _{i=1}^K{n}_i{\theta }_t^{(i)}$$
其中：

• ${\theta }_{t+1}$：第$t+1$轮的全局模型参数；
• $N$：所有边缘节点的总数据量；
• $K$：参与训练的边缘节点数量；
• $n_i$：第$i$个边缘节点的数据量；
• ${\theta }_t^{(i)}$：第$i$个边缘节点在第$t$轮的本地模型参数。

（3）实时推理：边缘计算的“低延迟”保障

虚拟经济中的AI应用（如虚拟员工的语音交互）需要亚秒级的推理延迟，而边缘计算的“本地处理”特性，正好满足这一需求。但要实现实时推理，还需要解决两个问题：

• 推理引擎的优化：选择适合边缘设备的推理引擎（如TensorFlow Lite支持ARM架构的NEON指令集，可提升推理速度）；
• 模型的硬件加速：使用边缘设备的硬件加速器（如NVIDIA Jetson的GPU、华为Atlas的NPU），将模型的计算任务卸载到加速器上，提升推理速度。

示例：使用NVIDIA Jetson Nano运行TensorFlow Lite模型，推理速度比CPU快5-10倍（如表1所示）：

模型类型	CPU推理时间（ms）	GPU推理时间（ms）
设备故障预测（LSTM）	200	20
虚拟员工NLP（DistilBERT）	500	50

（4）架构弹性：边缘节点的“动态扩展”

虚拟经济中的业务需求是动态变化的（如零售门店的高峰期，虚拟导购的请求量增加），需要边缘架构具备弹性扩展能力，即根据业务需求动态增加或减少边缘节点的资源。

技术实现：

• 使用轻量级Kubernetes（如K3s、K0s）管理边缘节点，支持边缘集群的动态扩展；
• 使用容器化技术（如Docker）打包边缘应用，实现应用的快速部署和迁移；
• 使用自动扩缩容（HPA，Horizontal Pod Autoscaler）根据边缘节点的负载（如CPU使用率）动态调整应用的副本数量。

---

四、实战案例：某制造企业数字孪生系统的边缘AI架构设计

1. 项目背景

某制造企业拥有10条生产线，每条生产线有20台设备（如车床、铣床）。企业希望构建数字孪生系统，实现以下目标：

• 实时监控设备的状态（如温度、压力、转速）；
• 预测设备故障（如轴承磨损、电机过热），提前停机检修；
• 优化设备的运行参数（如调整车床的转速，降低能耗）。

2. 架构设计

根据前文的融合架构模型，该数字孪生系统的架构设计如下（如图2所示）：

graph TD
    A[感知层：设备传感器（温度、压力、转速）] --> B[边缘计算层：工厂车间网关（NVIDIA Jetson Nano）]
    B --> C[数据预处理模块：清洗、归一化、特征提取]
    C --> D[AI推理引擎：TensorFlow Lite运行故障预测模型]
    D --> E[边缘存储：本地数据库（SQLite）存储敏感数据]
    D --> F[云端层：AWS Greengrass管理边缘节点]
    F --> G[大数据平台：AWS S3存储汇总数据]
    G --> H[AI训练框架：AWS SageMaker训练LSTM模型]
    H --> I[模型轻量化：TensorFlow Lite转换模型]
    I --> F[云端层：将轻量化模型部署到边缘节点]
    D --> J[应用层：数字孪生系统（Web界面展示设备状态、故障预警）]

图2：某制造企业数字孪生系统的边缘AI架构

3. 技术实现细节

（1）感知层：数据采集

• 设备传感器：使用西门子S7-1200 PLC采集设备的温度（范围：0-100℃）、压力（范围：0-10MPa）、转速（范围：0-3000rpm）数据；
• 数据传输：通过MQTT协议将数据传输到工厂车间的边缘网关（NVIDIA Jetson Nano），传输频率为1秒/次。

（2）边缘计算层：实时处理与AI推理

• 边缘节点：选择NVIDIA Jetson Nano（4核ARM Cortex-A57 CPU、128核Maxwell GPU、4GB内存），支持GPU加速；
• 边缘计算框架：使用K3s管理边缘节点，部署数据预处理、AI推理、数据存储等应用；
• 数据预处理：用Python编写数据预处理脚本，对传感器数据进行以下处理：
  • 清洗：去除异常值（如温度超过100℃的数据）；
  • 归一化：将数据转换到[0,1]区间（如温度归一化公式：$x_{norm}=\frac{x-x_{min}}{x_{max}-x_{min}}$）；
  • 特征提取：计算每10秒的平均温度、最大压力、最小转速，作为AI模型的输入特征。
• AI推理引擎：使用TensorFlow Lite运行故障预测模型（LSTM模型），输入特征为“平均温度、最大压力、最小转速”，输出为“故障概率”（0-1之间的数值，大于0.8表示即将故障）；
• 边缘存储：使用SQLite数据库存储预处理后的敏感数据（如设备的原始温度数据），仅将汇总数据（如“今日设备故障次数”）传输到云端。

代码示例（边缘端AI推理）：

import tensorflow as tf
import numpy as np
import paho.mqtt.client as mqtt

# 加载轻量化模型（TensorFlow Lite）
interpreter = tf.lite.Interpreter(model_path="fault_prediction.tflite")
interpreter.allocate_tensors()

# 获取模型的输入输出张量
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# MQTT客户端配置（连接到边缘网关的MQTT broker）
client = mqtt.Client()
client.connect("localhost", 1883, 60)

def on_message(client, userdata, msg):
    # 解析MQTT消息（传感器数据：温度、压力、转速）
    data = msg.payload.decode().split(",")
    temperature = float(data[0])
    pressure = float(data[1])
    rotation_speed = float(data[2])
    
    # 数据预处理（归一化）
    temperature_norm = (temperature - 0) / (100 - 0)
    pressure_norm = (pressure - 0) / (10 - 0)
    rotation_speed_norm = (rotation_speed - 0) / (3000 - 0)
    
    # 构造模型输入（形状：[1, 3]，即1个样本，3个特征）
    input_data = np.array([[temperature_norm, pressure_norm, rotation_speed_norm]], dtype=np.float32)
    
    # 运行模型推理
    interpreter.set_tensor(input_details[0]['index'], input_data)
    interpreter.invoke()
    output_data = interpreter.get_tensor(output_details[0]['index'])
    
    # 获取故障概率（输出形状：[1, 1]）
    fault_probability = output_data[0][0]
    
    # 打印结果
    print(f"设备故障概率：{fault_probability:.2f}")
    
    # 如果故障概率大于0.8，发送预警消息到数字孪生系统
    if fault_probability > 0.8:
        client.publish("digital_twin/alert", f"设备即将故障，故障概率：{fault_probability:.2f}")

# 订阅传感器数据主题
client.subscribe("sensor/data")
client.on_message = on_message

# 循环处理MQTT消息
client.loop_forever()

（3）云端层：模型训练与全局管理

• 大数据平台：使用AWS S3存储边缘节点传输的汇总数据（如“每小时的平均温度、故障次数”）；
• AI训练框架：使用AWS SageMaker训练LSTM模型（输入特征为“平均温度、最大压力、最小转速”，输出为“故障概率”）；
• 模型轻量化：使用TensorFlow Lite将训练好的LSTM模型转换为轻量化模型（.tflite格式），减少模型大小（从200MB减少到50MB）；
• 边缘管理平台：使用AWS Greengrass管理边缘节点，将轻量化模型部署到所有工厂车间的边缘网关，并监控边缘节点的状态（如CPU使用率、内存占用）。

（4）应用层：数字孪生系统

• Web界面：使用React框架开发数字孪生系统的Web界面，展示设备的实时状态（如温度、压力、转速）、故障预警（如“设备A即将故障，故障概率：0.92”）；
• 可视化工具：使用ECharts绘制设备状态的趋势图（如温度随时间的变化），帮助运维人员快速了解设备的运行情况；
• 反馈控制：数字孪生系统将故障预警消息发送到设备的PLC，实现自动停机（如当故障概率大于0.8时，PLC自动停止设备运行）。

4. 项目效果

该数字孪生系统部署后，取得了以下效果：

• 故障预测准确率：从原来的70%提升到95%；
• 设备停机时间：从原来的每月10小时减少到每月2小时；
• 运维成本：降低了30%（减少了人工巡检的次数）；
• 延迟：设备状态同步延迟从原来的500ms减少到50ms（满足数字孪生的实时需求）。

---

五、工具与资源推荐

1. 边缘计算平台

• AWS Greengrass：亚马逊的边缘计算平台，支持边缘节点的管理、模型部署和数据同步；
• Azure Sphere：微软的边缘计算平台，专注于物联网设备的安全和管理；
• Google Edge TPU：谷歌的边缘AI加速器，支持TensorFlow Lite模型的快速推理；
• K3s：轻量级Kubernetes，用于管理边缘集群。

2. AI轻量化工具

• TensorFlow Lite：谷歌的轻量化AI框架，支持模型的剪枝、量化和推理；
• PyTorch Mobile：Facebook的轻量化AI框架，支持PyTorch模型的转换和推理；
• ONNX Runtime：微软的开源推理引擎，支持ONNX格式的模型推理；
• DistilBERT：Hugging Face的轻量化BERT模型，适合边缘节点的NLP任务。

3. 联邦学习框架

• FedML：开源的联邦学习框架，支持多种联邦学习算法（如FedAvg、FedProx）；
• TensorFlow Federated：谷歌的联邦学习框架，集成了TensorFlow的训练功能；
• PySyft：开源的联邦学习框架，支持隐私保护的机器学习（如差分隐私）。

4. 数据传输协议

• MQTT：轻量级消息协议，适合物联网设备的数据传输；
• CoAP：约束应用协议，适合资源有限的边缘设备；
• AMQP：高级消息队列协议，适合需要可靠传输的场景。

---

六、未来发展趋势与挑战

1. 未来发展趋势

• 边缘AI的自主学习：边缘节点将具备自主训练模型的能力（如通过联邦学习或小样本学习），不需要依赖云端；
• 边缘与元宇宙的深度融合：元宇宙中的实时交互（如虚拟会议、虚拟购物）需要更强大的边缘计算能力，边缘AI将成为元宇宙的“核心引擎”；
• 边缘计算的标准化：ETSI（欧洲电信标准协会）、IEEE（电气和电子工程师协会）等组织将推出边缘计算的标准（如边缘节点的硬件规范、数据传输协议），促进边缘计算的普及；
• 边缘AI的商业化：越来越多的企业将提供边缘AI服务（如AWS Greengrass的AI推理服务、华为Atlas的边缘AI解决方案），降低企业的部署成本。

2. 面临的挑战

• 边缘设备的资源限制：如何在有限的CPU/GPU资源下运行更复杂的AI模型（如GPT-3级别的模型），是边缘AI的核心挑战；
• 数据隐私与安全：边缘节点的分散部署，增加了数据被窃取的风险，需要加强边缘数据的加密（如端到端加密）和访问控制（如基于角色的访问控制）；
• 边缘与云端的协同：如何高效同步边缘节点的模型和数据（如当云端模型更新时，快速部署到所有边缘节点），是边缘架构的关键挑战；
• 人才短缺：边缘计算与AI融合需要具备“边缘计算+AI+物联网”技能的复合型人才，目前市场上这类人才短缺。

---

七、结论

企业虚拟经济生态的发展，需要边缘计算提供“低延迟、高带宽、数据本地化”的计算支撑，也需要AI提供“实时感知、智能决策、快速执行”的大脑能力。两者的深度融合，将成为企业虚拟经济生态的“核心竞争力”。

作为AI应用架构师，我们需要：

• 理解虚拟经济的需求：明确虚拟经济生态的核心组件（如数字孪生、虚拟员工）和计算需求（如低延迟、数据本地化）；
• 掌握边缘计算与AI的融合技术：熟悉模型轻量化、联邦学习、实时推理等关键技术；
• 设计可落地的架构：根据企业的实际场景（如制造、零售、物流），设计适合的边缘AI架构；
• 关注未来趋势：跟踪边缘计算与AI的发展趋势（如边缘自主学习、元宇宙融合），提前布局技术储备。

未来，边缘计算与AI的融合，将推动企业虚拟经济生态从“数字化”向“智能化”升级，成为企业实现“降本增效、提升用户体验”的关键途径。让我们一起拥抱这一趋势，成为企业虚拟经济生态的“架构师”！

---

参考资料

1. Gartner. (2023). Top 10 Strategic Technology Trends.
2. ETSI. (2022). Edge Computing Standards.
3. TensorFlow. (2023). TensorFlow Lite Documentation.
4. AWS. (2023). AWS Greengrass Documentation.
5. 华为. (2023). Atlas 500 Edge Computing Platform.